Karpathy 强推的 AI 知识库：用最简单的方式让 LLM 成为你的第二大脑

S 序言：Karpathy 的一条推文，和它引爆的涟漪

AI 大神 Andrej Karpathy 发了一条推文，分享他近期最常用的工作流——用 LLMs 为各种研究主题建立个人知识库。短短两天，千万级别播放。

"我最近发现一件非常有用的事：用 LLMs 为各种研究主题建立个人知识库。这样一来，我最近的大部分 token 使用量更多地用于处理内容，而不是编写或修改代码。"

这句话击中了太多人。

我们都在用 AI，但 AI 不知道我们知道什么。你的笔记散落在 Obsidian、Notion、印象笔记、微信收藏夹里——每次问 AI 一个需要结合你个人知识的问题，它只能从模型自己的知识库里打捞，答非所问。

Karpathy 接下来放出了更具体的实现方案：三个文件夹 + 一个 schema 文件，不需要数据库，不需要特殊软件。这套方案究竟是什么？为什么说它代表了一种全新的 RAG 范式？

一、为什么你的"第二大脑"始终建不起来

大多数人对个人知识库的期待是这样的：把所有资料扔进去，需要时问一句，AI 给我准确的回答。

现实是这样的：导入几百篇笔记，建立复杂的标签体系，配好向量数据库，跑通 RAG pipeline——然后再也没有打开过。

知识库建了三次，废弃了三次。

问题出在哪？传统 RAG 的思路从根上就有缺陷——它把知识管理当成信息检索问题，而人积累知识的方式是不断迭代、关联、深化的，不是一锤子检索。

换句话说：传统 RAG 是一个搜索引擎。而你真正需要的是一个会生长的第二大脑。

二、LLMRAG 范式：LLM 不只是检索工具，而是知识管理者

LLMRAG（LLM-driven Personal Knowledge Base）核心转变只有一点：

传统 RAG：LLM 是答案的生产者。LLMRAG：LLM 是知识库的组织者和维护者。

具体来说，LLMRAG 的工作流包含五个关键环节：

1. 数据入口：零摩擦，让 raw/ 自己长出来

传统知识库第一个死的环节就是"导入"。打开文件夹，创建一个分类，开始复制粘贴——三天后热情消退，文件夹落灰。

LLMRAG 的设计哲学是：不要整理，什么都往里扔。

你只需要把看到的文章、笔记、截图、邮件、书签全部丢进 raw/ 目录。不用命名，不用分类，不用打标签。AI 的工作不是等你整理好了再来学习，而是从混乱的原材料里自己理出头绪。

这一步真正的加速器是自动化抓取工具。参考文章中博主 Nick Spisak 推荐的 agent-browser（Vercel Labs 出品，GitHub 26K+ 星）让 AI 可以直接操控 Chrome 浏览器抓取任意网页，一条命令把文章存入 raw/：

agent-browser open https://some-article-you-want.com
agent-browser get text "article"

这套组合拳解决了三个痛点：JavaScript 动态加载的页面、需要登录的内容、带交互式图表的研究论文。据 Nick Spisak 实测，agent-browser 相比 Playwright MCP 可节省大量 token（博主称省 82%，非权威 benchmark，仅供参考）。

核心原则：数据入口的摩擦力决定知识库的生死。让"扔进去"这件事无限简单。

2. 结构设计：Schema 即规则，AGENTS.md 是知识库的宪法

Karpathy 方案的精髓是什么？他说：

"我试图保持超级简单和扁平。它只是一个嵌套的 .md 文件目录。"

没有数据库，没有向量引擎，没有插件。但有一个 AGENTS.md（或 CLAUDE.md、README.md）——这个文件是整个知识库的"宪法"，告诉 AI 三件事：

• 这是什么：你的知识库服务于哪个领域
• 怎么组织：raw/ 放原始材料、wiki/ 放整理后的内容、outputs/ 放生成的答案
• 怎么更新：新素材进来时如何更新 wiki，主题之间如何关联

一个可复制的模板大概长这样：

# 知识库 raw

## 这是什么
一个关于 [你的主题] 的个人知识库。

## 快速开始

首先打开：[[wiki/INDEX.md]]
从这里开始导航和搜索你的知识库。

## 三种使用方式

### 1 浏览知识

打开 [[wiki/INDEX.md]]
   ↓
选择主题
   ↓
阅读文章

### 2 搜索知识

问题:告诉AI你想知道什么
   ↓
AI优先读[[wiki/INDEX.md]]理解结构
   ↓
搜索相关文章(Claude自动完成)
   ↓
综合答案存储到outputs/

### 3 添加新内容

新链接、笔记、文章
   ↓
保存到raw/
   ↓
Claude 自动编译为 wiki/articles/
   ↓
INDEX.md自动更新


## 文件结构

my-knowledge-base/
├── raw/              ← 原始数据，包含未处理的源材料。永远不要修改这些文件。
├── wiki/                 ← 整理后的维基，完全由 AI 维护。
│   ├── INDEX.md         ← 从这里开始
│   └── articles/        ← AI依据原始数据生成的文章
└── outputs/             ← 包含生成的报告、答案和分析。

## 维基规则
- 每个主题文章存储在 wiki/articles/ 中
- wiki/INDEX.md 列出每个主题及一行描述
- 每个维基文件以一段摘要开头
- 使用 [[articles/topic-name]] 格式链接相关主题
- 当添加新的原始源时，更新相关的维基文章

## 我的兴趣点
[列出 3-5 个你希望这个知识库关注的方向]

这就是整个知识库的设计。别小看这个简单的文本文件——它本质上是给 AI 的行为规范手册，决定 AI 怎么读、怎么写、怎么关联，彻底省掉了数据库设计的成本。

3. AI 编译：让模型把笔记编成网状 wiki

有了原材料（raw/）和规则手册（AGENTS.md），下一步是让 AI 做它最擅长的事：理解、总结、关联。

一条指令启动编译：

"读取 raw/ 中的所有内容，按照 AGENTS.md 中的规则在 wiki/ 中编译一个维基。先创建 INDEX.md，然后为每个主要主题创建一个 .md 文件。链接相关主题。总结每个源。"

跑完之后，你会得到：

• 一个 INDEX.md——知识库的导航地图
• 若干 主题 .md 文件——每篇都有 AI 生成的摘要，并标注与其他主题的链接
• 原本散落在各处的零散笔记，被串成了网状结构

这里有一个反直觉的原则：人只读 wiki，不编辑 wiki。 维护是 AI 的工作，人的时间是用来提问和吸收洞见的。

4. 迭代正循环：越问越聪明

wiki 建立之后，下一步是什么？开始提问。

几个可以直接用的优质问题：

• "基于 wiki/ 中的内容，我对【主题】理解中最大的三个空白是什么？"
• "比较源 A 和源 B 对【概念】的说法，它们在哪里有分歧？"
• "仅使用这个知识库，给我写一份 500 字的【主题】简报。"

关键动作：把 AI 的回答存回知识库。

将 outputs/ 中的答案放入 outputs/ 目录，或让 AI 用新洞见更新相关的 wiki 文章。每一次问答都在扩充知识库，下一次答案质量必然更高——这就是 Karpathy 说的"越用越好用"的正循环。

5. 定期健康检查：消灭错误的复利

社区用户 @HFloyd 在 Karpathy 帖子下说了一句关键的话：

"当输出被归档回去时，错误也会复利。"

如果 AI 某次产生了轻微的幻觉并被存进 wiki，下一次基于 wiki 的回答会把错误进一步放大。

解法是定期运行 AI 健康检查：

"审查整个 wiki/ 目录。标记文章之间的矛盾。找出提到但从未解释的主题。列出没有 raw/ 源支持的声明。建议 3 篇能填补空白的新文章。"

每两周一次，AI 扫描 wiki 的逻辑一致性，揪出错误萌芽。这是知识库长期保持可信度的关键。

三、用 Obsidian + Claudian 搭一套完整的 LLMRAG

Karpathy 的方案是纯命令行的，适合开发者。如果你是知识管理爱好者，不想碰代码，Obsidian + Claudian 插件是最适合的桌面端落地方案——Obsidian 负责笔记管理和双链组织，Claudian 把 Claude Code 的 AI 能力无缝嵌入 vault。

第一步：安装 Obsidian，搭建知识库

1. 打开官网下载桌面版：https://obsidian.md/
2. 安装完成后，点击 创建知识库（Create Vault）
3. 知识库名称填写 my-knowledge-base，存放位置随意（记住路径）
4. 创建完成，Obsidian 会打开一个空知识库

第二步：写入 AGENTS.md 宪法文件

在知识库根目录创建 AGENTS.md（即宪法文件），把上面的内容模板粘贴进来

第三步：安装 Claudian 插件

方式一：社区插件市场（推荐）

1. 在 Obsidian 中打开 设置 → 社区插件，关闭安全模式
2. 点击 浏览，搜索 Claudian
3. 找到后安装并启用

方式二：GitHub 地址安装

如果你知道插件的 GitHub 地址，可以直接让 Claude 帮你安装。打开 Claude Code（或任意 AI 工具），发送以下 prompt：

本地路径有 my-knowledge-base 知识库，路径：E:\my-knowledge-base（替换为你实际路径），
帮我安装这个插件进去：https://github.com/YishenTu/claudian

Claudian 插件地址：https://github.com/YishenTu/claudian

安装插件前在Obsitian设置-第三方插件中关闭安全模式

第四步：用 Claudian 根据宪法搭建知识库结构

插件安装好后，在 Obsidian 底部工具栏找到 Claudian 图标（一只蚂蚁），点击打开对话窗口。输入以下指令：

读取 AGENTS.md 的内容，然后在 vault 中创建以下文件结构：
1. 创建 raw/ 文件夹
2. 创建 wiki/ 文件夹，并在其中创建 INDEX.md
3. 创建 outputs/ 文件夹
完成后告诉我结构是否正确创建。

Claudian 会自动在 vault 中创建好三个文件夹和 INDEX.md 索引文件。

第五步：导入素材，跑通第一次编译

1. 把文章、笔记、截图全部丢进 raw/ 文件夹（不用整理！）
2. 再次向 Claudian 发送编译指令：

读取 raw/ 中的所有内容，按照 AGENTS.md 的规则在 wiki/ 中编译维基。
先更新 INDEX.md，然后为每个主要主题创建 .md 文件，链接相关主题，总结每个源材料。

3. Claudian 会自动完成第一次编译，wiki/ 里就填充好了结构化内容

Obsidian Web Clipper 插件

Obsidian Web Clipper 是一款强大的浏览器扩展，它可以将网页内容快速保存到你的 Obsidian 知识库，搭配它能让你快速收录文章。

Obsidian Web Clipper 插件地址：https://obsidian.md/clipper

为什么推荐 Obsidian + Claudian 组合

这与 Karpathy 的终端方案本质相同，只是把文件系统的操作替换成了Obsidian 的 GUI 操作。对于不熟悉命令行的用户，这套组合的学习曲线更低，上手即用。

四、范式对比：传统 RAG、LightRAG、GraphRAG vs LLMRAG

这一节说清楚一件事：LLMRAG 和其他 RAG 方案，解决的根本不是同一个问题。

传统 RAG 的原罪：检索与生成的割裂

传统 RAG 把"检索"和"生成"切成两段——先从海量 chunk 里捞出 Top-K 相似的文本块，再让 LLM 基于这些块生成答案。问题在于：

1. 碎片化：每个 chunk 都是上下文的一家之言，AI 看不到知识之间的关联。
2. 幻觉依旧：检索到的内容可能是偏的，LLM 照着错的文本"一本正经胡说八道"。
3. 没有记忆：这次问答和下次问答毫无关系，LLM 不知道你上次知道了什么。

GraphRAG 的代价：美丽但昂贵

GraphRAG 用知识图谱重建了文档之间的关联，检索质量大幅提升，但它带来了新的问题：建图成本极高。将文档转化为知识图谱需要额外的 LLM 调用，抽取实体、关系，进行知识建模。维护一个实时更新的知识图谱，对个人用户来说几乎不可能。

另一个被忽视的风险：隐私。你的笔记、公司的内部文档，一旦进入知识图谱服务，就需要上传到云端。GraphRAG 方案大多面向企业场景，个人知识管理用 GraphRAG 是杀鸡用牛刀。

LLMRAG 的核心差异：循环 vs 单次

回到 Karpathy 的方案——它真正值钱的地方是什么？

不是检索，是维护。

LLMRAG 的 LLM 在整个生命周期中不断参与：抓取时理解内容、编译时建立关联、问答时产生洞见、归档时更新 wiki、下次检索时基于已整理的结构给出更精准的答案。这不是一次性的 RAG pipeline，而是持续运转的知识管理系统。

这也意味着：GraphRAG 和 LLMRAG 不是非此即彼的关系。GraphRAG 的检索能力可以作为 LLMRAG 的底层索引引擎——用图结构做检索，用 LLMRAG 做组织和维护，两者互补。但对于个人知识库来说，LLMRAG 的轻量方案已经足够。

五、写在最后：收藏不等于拥有

Karpathy 的帖子有 44K 人收藏。但收藏和真正用起来，中间差的是一个周末的动手时间。

这套系统的全部工具是：

• 一个文件夹结构（raw/、wiki/、outputs/）
• 一个 AGENTS.md schema 文件
• 一个浏览器抓取工具（agent-browser）
• 一个 AI 编码工具（Claude Code / Cursor）

没有数据库，没有向量引擎，没有复杂的 RAG pipeline。

扁平和简单才是个人知识库的正确答案。

从今天开始：

1. 选一个主题
2. 建好三个文件夹
3. 把现有的笔记、剪藏、书签扔进 raw/
4. 跑通 AI 编译流程
5. 开始提问

剩下的交给 AI。越用越好用。

参考来源：

1. Nick Spisak 教程：https://x.com/NickSpisak_/status/2040448463540830705
2. Karpathy 推文（视频）：https://x.com/karpathy/status/2039805659525644595
3. Karpathy 推文（方案）：https://x.com/karpathy/status/2040470801506541998